Antworten zum täglichen KI-Einsatz in der Entwicklung, zu DSGVO, Self-Hosted-Modellen, AVV-Anbietern und kontrollierter Integration.
Ich nutze KI als Werkzeug im täglichen Code, vor allem für schreiblastige Aufgaben wie Boilerplate, Tests, Mapper, Validierung und für das Erkunden fremder Codebases. Architektur, Geschäftslogik und sicherheitsrelevante Stellen entscheide ich selbst. Die KI beschleunigt, sie ersetzt das Urteil eines erfahrenen Entwicklers nicht.
Ja, sofern ihr das nicht ausschließt. KI-Werkzeuge wie Claude Code und ChatGPT Codex sind Teil meiner Werkzeugkette. Welche Daten dabei in welche Tools gehen, klären wir vorher. Wenn euer Projekt sensible Daten enthält, arbeite ich entweder über Anbieter mit Auftragsverarbeitungsvertrag oder über lokale Modelle. Der Entwicklungs-Output durchläuft denselben Review-Prozess wie eigener Code.
Vibe-Coding bedeutet, KI als Co-Autor zu nutzen, ohne jeden generierten Schritt selbst zu durchdenken. Bei Boilerplate, Prototypen und schreiblastigen Aufgaben ist das produktiv. Bei Geschäftslogik, Architekturentscheidungen oder sicherheitsrelevantem Code wird es gefährlich, weil das Modell plausibel klingenden, aber falschen Code liefert. Bei mir trifft KI nie eine Architekturentscheidung allein.
Halluzinationen sind erfundene Methoden, falsche Bibliotheks-Versionen oder Bibliotheken, die es nicht gibt. Der KI-Output wirkt überzeugend, der Code kompiliert beinahe, beim ersten Lauf bricht er. Erkennen lassen sie sich nicht durch Lesen, sondern durch Tests, Cross-Check gegen die offizielle Doku und ein gesundes Misstrauen gegenüber Code, der zu elegant aussieht.
Wie eigener Code: über automatisierte Tests, statische Analyse und manuelle Reviews. Zusätzlich achte ich speziell auf halluzinierte APIs und auf Stellen, an denen Geschäftslogik plausibel-falsch wird. Bei sicherheitsrelevanten Bereichen schreibe ich den Code selbst oder lasse ihn nur als Vorschlag dienen, der danach manuell überarbeitet wird.
Self-Hosted bedeutet, ein Open-Source-Modell läuft auf eurer eigenen Infrastruktur. Daten verlassen das Unternehmen nicht, der Pflege-Aufwand ist höher. Ein Anbieter mit Auftragsverarbeitungsvertrag verarbeitet eure Daten in der Cloud, schließt aber Training auf den Eingaben aus. Welcher Weg passt, hängt von Datensensibilität, Volumen und Pflege-Kapazität ab. Beide sind DSGVO-konform.
Drei Fragen reichen für die Grundlage: Welcher Account-Typ wird genutzt? Welche Daten gehen ins Tool? Liegt eine schriftliche Freigabe vor? Wer das einmal klärt, hat die rechtliche Basis für die meisten Anwendungsfälle. Personenbezogene Daten brauchen Self-Hosted oder einen Anbieter mit AVV. Allgemeine Texte ohne Personenbezug sind unkritischer.
Über klare Schnittstellen: REST mit JSON-Schemas oder OpenAPI-Definitionen. Das LLM wird so über fest definierte Wege angesprochen, statt frei in den Code zu greifen. Ein Schema-basierter Aufruf reduziert Halluzinationen drastisch, weil das Modell sich an den Vertrag halten muss. Wichtig ist außerdem ein Mensch-Review-Schritt vor jedem produktiven Einsatz.
KI findet Stilfehler, kleine Inkonsistenzen und vergessene Logging-Aufrufe zuverlässig. Bei subtilen Logikfehlern wird sie inkonsistent, mal trifft sie, mal nicht. Bei Architektur-Bewertungen und fachlicher Konsistenz ist sie weitgehend nutzlos. Sinnvoll als Vorfilter, der Stand-Reviewer entlastet, nicht als Ersatz für menschliches Urteilen.
Ein guter Prompt entsteht durch Iteration. Wer den Aufwand nicht festhält, macht ihn beim nächsten Mal wieder. Versionierte Prompts inklusive Modell, Parameter und Beispielen sind reproduzierbar, teilbar und nachvollziehbar bei Modell-Updates. Gleiche Disziplin, die Entwickler bei Code seit Jahren leben, jetzt auch für KI-Werkzeuge.
Agentische KI führt mehrere Aktionen über mehrere Schritte hinweg eigenständig aus. Bei klar abgegrenzten Aufgaben mit deterministischem Erfolgs-Kriterium funktioniert das robust. Sobald der Agent über mehrere Schritte hinweg eigene Entscheidungen treffen muss, triftet er ab oder behauptet Erfolge, die keine sind. Sinnvoll für Recherche-Aufgaben mit menschlicher Kontrolle, nicht für autonome Geschäftsprozesse.
In Teams, die KI integriert nutzen, lernen neue Entwickler in den ersten Tagen nicht den Code, sondern die KI-Workflows. Welche Tools, welche Prompts, welche Konventionen. Damit erkundet jemand eine fremde Codebase um Größenordnungen schneller als beim klassischen Lesen. Voraussetzung ist, dass das Team seine eigenen KI-Workflows etabliert und dokumentiert hat.
